Cosmos-Reason1: От физического здравого смысла к воплощенному рассуждению

Cosmos-Reason1: From Physical Common Sense To Embodied Reasoning

March 18, 2025

Авторы: NVIDIA, Alisson Azzolini, Hannah Brandon, Prithvijit Chattopadhyay, Huayu Chen, Jinju Chu, Yin Cui, Jenna Diamond, Yifan Ding, Francesco Ferroni, Rama Govindaraju, Jinwei Gu, Siddharth Gururani, Imad El Hanafi, Zekun Hao, Jacob Huffman, Jingyi Jin, Brendan Johnson, Rizwan Khan, George Kurian, Elena Lantz, Nayeon Lee, Zhaoshuo Li, Xuan Li, Tsung-Yi Lin, Yen-Chen Lin, Ming-Yu Liu, Andrew Mathau, Yun Ni, Lindsey Pavao, Wei Ping, David W. Romero, Misha Smelyanskiy, Shuran Song, Lyne Tchapmi, Andrew Z. Wang, Boxin Wang, Haoxiang Wang, Fangyin Wei, Jiashu Xu, Yao Xu, Xiaodong Yang, Zhuolin Yang, Xiaohui Zeng, Zhe Zhang

cs.AI

Аннотация

Физические системы искусственного интеллекта должны воспринимать, понимать и выполнять сложные действия в физическом мире. В данной статье мы представляем модели Cosmos-Reason1, которые способны понимать физический мир и генерировать соответствующие воплощенные решения (например, следующее действие) на естественном языке через длинные цепочки рассуждений. Мы начинаем с определения ключевых способностей для рассуждений в физическом ИИ, уделяя особое внимание физическому здравому смыслу и воплощенным рассуждениям. Для представления физического здравого смысла мы используем иерархическую онтологию, которая охватывает фундаментальные знания о пространстве, времени и физике. Для воплощенных рассуждений мы опираемся на двумерную онтологию, которая обобщает различные физические воплощения. На основе этих способностей мы разрабатываем две мультимодальные большие языковые модели: Cosmos-Reason1-8B и Cosmos-Reason1-56B. Мы собираем данные и обучаем наши модели в четыре этапа: предварительное обучение на визуальных данных, общая тонкая настройка с учителем (SFT), тонкая настройка для физического ИИ (SFT) и обучение с подкреплением (RL) для физического ИИ в качестве пост-обучения. Для оценки наших моделей мы создаем комплексные бенчмарки для физического здравого смысла и воплощенных рассуждений в соответствии с нашими онтологиями. Результаты оценки показывают, что тонкая настройка и обучение с подкреплением для физического ИИ приносят значительные улучшения. Для содействия развитию физического ИИ мы сделаем наш код и предобученные модели доступными под лицензией NVIDIA Open Model License по адресу https://github.com/nvidia-cosmos/cosmos-reason1.

English

Physical AI systems need to perceive, understand, and perform complex actions in the physical world. In this paper, we present the Cosmos-Reason1 models that can understand the physical world and generate appropriate embodied decisions (e.g., next step action) in natural language through long chain-of-thought reasoning processes. We begin by defining key capabilities for Physical AI reasoning, with a focus on physical common sense and embodied reasoning. To represent physical common sense, we use a hierarchical ontology that captures fundamental knowledge about space, time, and physics. For embodied reasoning, we rely on a two-dimensional ontology that generalizes across different physical embodiments. Building on these capabilities, we develop two multimodal large language models, Cosmos-Reason1-8B and Cosmos-Reason1-56B. We curate data and train our models in four stages: vision pre-training, general supervised fine-tuning (SFT), Physical AI SFT, and Physical AI reinforcement learning (RL) as the post-training. To evaluate our models, we build comprehensive benchmarks for physical common sense and embodied reasoning according to our ontologies. Evaluation results show that Physical AI SFT and reinforcement learning bring significant improvements. To facilitate the development of Physical AI, we will make our code and pre-trained models available under the NVIDIA Open Model License at https://github.com/nvidia-cosmos/cosmos-reason1.